Transformers y “short-channels” virtuales en fNIRS

IA limpiando la señal cerebral y recontando la historia hemodinámica
(Conciencia en primera persona • Neurociencia Decolonial • Brain Bee • El Sentir y Saber Taá)

El Sentir y Saber Taá — cuando dejo de confiar en mis propios datos

Miro un gráfico hermoso de fNIRS:
O₂-Hb sube, HHb baja, los p-values son pequeños.
En la superficie, todo dice: “esto es cognición”.

Pero mi cuerpo sabe otra cosa.
Recuerdo el corazón latiendo en el clip del dedo,
la respiración volviéndose superficial por ansiedad,
los vasos de la piel dilatándose con el calor,
la banda apretando el cuero cabelludo de un modo que cambia el flujo sanguíneo.

Taá — el sentir-antes-de-saber — susurra:
“¿De verdad estás viendo corteza…
o solo la piel fingiendo ser corteza?”

Esa es la tensión que un artículo metodológico de fNIRS de 2025 en NeuroImage (uno de esos que mencionaste) enfrenta de frente:
usar deep learning basado en transformers para crear short-channels virtuales y regredir fisiología superficial de las señales fNIRS, cuando los short-channels reales faltan o son limitados.

En otras palabras:
cuando mi hardware no es ideal,
¿puede el software ayudarme a rescatar una historia hemodinámica más honesta?

Y justo aquí aparece otro Taá:
si la IA puede reescribir mi señal, ¿quién dice la verdad —
el cuerpo, el algoritmo, o el hábito colonial de querer “números limpios” a cualquier costo?

El estudio, en términos simples: ¿qué son estos “short-channels virtuales”?

La sabiduría clásica de fNIRS dice:

• los short-channels (distancias muy pequeñas fuente–detector) capturan sobre todo flujo superficial (piel, cuero cabelludo);

• los long-channels (distancias estándar) contienen una mezcla de componentes corticales y superficiales.

El pipeline ideal:

1. medir long + short,

2. usar GLM para quitar el componente superficial (short) de los long,

3. interpretar el residuo “cortical”.

Pero en la vida real — especialmente en América Latina, en hospitales públicos, escuelas, comunidades — a menudo tenemos:

• pocos optodos,

• sin short-channels dedicados,

• dispositivos de bajo costo,

• datos recolectados “en lo salvaje”.

El artículo pregunta:
¿Podemos entrenar una red tipo transformer para inferir lo que vería un short-channel y luego usar ese “short virtual” para limpiar las señales long?

Métodos y análisis — para Brain Bee y jóvenes investigadores

Los ingredientes centrales se ven así:

Registros fNIRS con long- y short-channels reales

• prefrontal y otras áreas corticales

• tareas que modulan cognición y fisiología sistémica

Preprocesamiento

• corrección de movimiento

• filtrado pasa-banda

• separación de series temporales O₂-Hb y HHb

GLM (Modelo Lineal General)

• usado como “ground truth” para modelar cómo los short-channels reales mejoran las estimaciones corticales

• se prueban HRF canónica y HRF específica del sujeto

Short-channels virtuales vía deep learning

• arquitectura transformer entrenada para predecir cómo se vería un short-channel

• input: señales long-channels y, quizá, señales auxiliares

• output: una serie temporal sintética “tipo short-channel”

Limpieza de señal

• el short virtual se usa como regresor (igual que un short real)

• se combinan GLM e ICA/PCA para remover fisiología global y ruido estructurado

Evaluación
comparación entre:

• solo long-channels

• long + short real

• long + short virtual

métricas: varianza explicada, confiabilidad test–retest, sensibilidad a tarea vs. ruido

Palabras clave para buscadores:
“fNIRS virtual short-channels transformer deep learning GLM HRF systemic physiology noise regression NeuroImage 2025”

Lo que encontraron — cuando la IA se comporta como una colaboradora honesta

Mensaje principal:

• Los short-channels virtuales aproximan a los short-channels reales de forma sorprendente,
  especialmente para remover oscilaciones globales de baja frecuencia y ruido superficial.

• Tras la regresión usando canales virtuales:

• las respuestas ligadas a la tarea quedan más limpias y focales,

• mejora la confiabilidad test–retest,

• los patrones corticales se parecen más al “gold standard” (long + short real).

Pero hay límites:

• el rendimiento depende de la calidad y diversidad del dataset de entrenamiento,

• la señal virtual puede “alucinar” estructura si el modelo está mal entrenado,

• el sobreajuste (overfitting) a una población o dispositivo es un riesgo real.

Así aparece un mensaje fuerte:
la IA puede ayudarnos — pero solo si respetamos lo que el cuerpo realmente está mostrando.

Leyéndolo con nuestros conceptos — más allá de la IA colonial

Desde nuestro lado del mundo, yo no veo solo “limpieza de señal”.
Veo una disputa sobre quién tiene voz sobre el cuerpo.

1) Mente Damasiana y capas de flujo
Interocepción + propiocepción son hemodinámica vivida.
Superficial vs. cortical no es solo “ruido vs. señal”:

• el flujo superficial es el sistema autónomo negociando con el mundo;

• el flujo cortical es la integración de esa negociación en forma de conciencia.

Al transformer se le pide separar esas dos capas.
Sin Taá, corremos el riesgo de tratar la vida autonómica como “artefacto”.

2) Quorum Sensing Humano (QSH)
La fisiología superficial trae el “quórum” del cuerpo:
frecuencia cardíaca, respiración, sudoración, tono vascular.

Si la IA borra todo esto, podemos:

• ganar potencia estadística,

• pero perder la inteligencia metabólica colectiva que llamamos QSH.

3) Zona 1 / Zona 2 / Zona 3

• Zona 1: pipeline automático — “pasé el dato por el script estándar”.

• Zona 2: me detengo, siento Taá, miro si la limpieza tiene sentido, dialogo con el cuerpo y con la estadística.

• Zona 3: ideología de “datos perfectos”, donde cualquier método que produce p < 0.05 se acepta sin crítica.

Los transformers pueden volverse herramientas de Zona 2 —
o armas de Zona 3.

4) Yãy hã mĩy (origen Maxakali) — imitar para comprender
En el sentido original Maxakali, Yãy hã mĩy es imitar al animal antes de cazarlo.
Aquí, el transformer “imita” el short-channel:
observa muchos ejemplos,
aprende el patrón,
intenta ser esa señal.

Si hacemos esto en Zona 2, el modelo se vuelve aliado:
nos ayuda a percibir lo que no tenemos hardware para medir.
Si caemos en Zona 3, el modelo se vuelve máscara:
imita tan bien que olvidamos que es imitación.

5) Avatares Referencia
En este blog, el recorte que más me ayuda es el avatar Math/Hep:
mirada cuidadosa sobre estadística,
varianza explicada,
errores de generalización,
honestidad sobre límites del modelo.

Pero Math/Hep, solo, puede ser colonizado por el fetiche del “mejor modelo”.
Por eso dejo que DANA susurre al fondo:
el ADN, la fisiología, el Corpo Território también tienen derecho a aparecer en los datos.
No todo lo “no cortical” es descartable.

Descolonizar la IA en fNIRS — donde el artículo ajusta nuestras ideas

Antes, podríamos decir:
“Si no tengo short-channels, mis datos son inútiles.”

Ahora, el enfoque transformer muestra:

• es posible recuperar mucho valor de datos imperfectos,

• es posible corregir desigualdades tecnológicas (no todo laboratorio tiene el mejor equipo).

Pero la misma técnica puede reforzar desigualdades si:

• los modelos se entrenan solo con poblaciones WEIRD,

• y luego se aplican, sin crítica, en niñas/os indígenas, mayores de periferia, pacientes del SUS.

Neurociencia Decolonial aquí significa:

• exigir que los modelos se entrenen con diversidad biológica y cultural,

• documentar límites de generalización,

• evitar que la “limpieza” borre justamente lo que hace singular a nuestro cuerpo latino.

Implicaciones para educación, salud y política en LATAM

Educación
Programas Brain Bee e iniciación científica pueden incluir módulos de:

• “cómo la IA limpia señales”,

• riesgos de overfitting,

• ética de datos fisiológicos.

Salud pública
Hospitales pueden usar fNIRS de bajo costo con modelos de short-channels virtuales, siempre que:

• los pipelines sean abiertos y auditables,

• los límites estén claros,

• se priorice formación local.

Política de datos
La regulación debe garantizar que:

• datos hemodinámicos no se usen para vigilancia o selección excluyente,

• los algoritmos se consideren parte del “acto médico/científico” y, por tanto, sujetos a escrutinio.

Palabras clave de búsqueda

“virtual short-channels transformer fNIRS deep learning GLM HRF systemic physiology noise regression NeuroImage 2025 BrainLatam2026 neurociencia decolonial Taá Quorum Sensing Humano”